Cyc-Optional：從外部常識庫到自建 AI-native 常識層
基於 TCF、MDAS、ADL 與三態邏輯的 Agent 常識憲法路線圖
作者：Neo.K / EVEMISSLAB 版本：v0.1 形式：技術白皮書 / 理論路線圖草稿
摘要
Cyc 計畫曾經試圖以顯式知識庫、本體論、常識規則與形式推理構造人工智慧的常識基礎。其歷史價值不在於它提供了一套可直接復刻的完整答案，而在於它證明了：若 AI 想要穩定理解世界、執行任務、檢查語境、降低幻覺與進行可審計推理，就必須擁有某種外部顯式常識層。
然而，本文主張：未來的 AI-native 常識層不必依賴 Cyc。Cyc 可以被參考、投資、授權、協作或局部整合；但真正關鍵的是建立一套可由現代 LLM、Agent、超圖、Markdown、JSON-LD、向量檢索、知識圖譜與平行裁判器共同運作的新型常識架構。
本文提出「Cyc-Optional」路線：Cyc 是可選加速器，而非架構依賴。即使完全不使用 Cyc，仍可透過 TCF（Theory Compression Format）負責理論壓縮與來源歸屬，MDAS-TCH 負責概念態空間與因果超圖，ADL 負責行動時的強制判斷，三態邏輯負責保留未定與螺旋演化狀態，最終形成一個面向 Agentic AI 的「常識憲法層」。
關鍵詞
Cyc、OpenCyc、AI-native Knowledge Layer、TCF、MDAS、ADL、三態邏輯、Agent 常識憲法、神經符號 AI、常識推理、知識圖譜、JSON-LD、Markdown Knowledge Card
1\. 問題意識：Cyc 不是終點，而是一個歷史提示
Cyc 的歷史地位很特殊。它不是單純失敗的舊式符號 AI，也不是可以直接拿來解決現代 LLM 問題的萬能知識庫。它更像是一個提前出現的歷史提示：
AI 不能只靠模式擬合。 AI 需要顯式常識、語境、本體、規則、例外與可審計推理。
在 LLM 時代，這個問題重新浮現。大型語言模型可以生成語言、模糊推理、進行摘要、操作工具、寫程式與協助決策，但仍常出現幾類問題：
- 語境錯配：把虛構、現實、法律、醫療、哲學、工程語境混在一起。
- 常識幻覺：生成看似合理但違反基本世界約束的內容。
- 來源不明：結論可能來自權重壓縮，而非可追蹤資料。
- 類型混淆：把人、公司、產品、角色、文件、事件等概念混為一談。
- 行動風險：Agent 不只是回答，還可能發送 Email、修改檔案、操作 API、安排日曆或執行程式。
- 未定狀態處理不佳：模型常把不確定問題包裝成確定答案，或在需要判斷時逃避判斷。
Cyc 的價值就在於，它早就試圖處理這些問題。但 Cyc 的問題也很明顯：符號系統過重、人工知識工程成本太高、容錯率太低、語境管理複雜、一階邏輯與 default reasoning 的邊界過於脆弱。
因此，本文不主張「復活 Cyc」，而主張：
吸收 Cyc 的問題意識，重建一套不依賴 Cyc 的 AI-native 常識層。
2\. 核心命題：Cyc 可用，但不可依賴
本文的核心命題是：
Cyc 是可選資源，不是必要基礎。
這句話有幾層意思。
第一，若 Cyc / OpenCyc / Cycorp 願意授權、合作、投資或被整合，那當然有價值。因為它累積了大量本體工程經驗、概念分類、常識規則與 microtheory 思想。
第二，即使無法取得完整 Cyc，現代 AI 團隊仍可用公開資料、LLM 自動抽取、知識圖譜、語義網、Wikidata、WordNet、DBpedia、企業文件、領域資料庫與人工審核，自建一套常識層。
第三，更重要的是，現代架構不應把 Cyc-like 知識庫當成主體智能，而應把它當成外部裁判、語境索引、類型約束、常識檢查與 provenance 管理層。
換句話說：
Cyc 的內容可以借。 Cyc 的方法可以學。 Cyc 的資產可以談。 但 Cyc 不是此架構的本體核心。
本架構的核心應是：
- TCF：理論標準格式與來源歸屬。
- MDAS：動態概念超圖與態空間。
- ADL：行動時的強制判斷。
- 三態邏輯：未定、螺旋、演化狀態保留。
- LLM / Agent：神經主體與操作介面。
- Knowledge Layer：可機器解析、可人類閱讀、可追蹤、可裁判的常識層。
3\. 為何自己也能做？
「Cyc 的內容我自己也能做」這句話並不是狂妄，而是在現代技術條件下有一定合理性。
在 Cyc 的年代，最大的瓶頸是人工知識工程。人類必須長期手動寫入常識、定義概念、建立關係、處理例外、修正語境。這件事極其昂貴。
但現在不同。現代 AI 系統可以協助：
- 從自然語言文本抽取概念與關係。
- 將理論轉成標準 schema。
- 生成 Markdown knowledge card。
- 轉換 JSON / JSON-LD / RDF / OWL。
- 將概念嵌入向量資料庫。
- 檢查類型錯誤與語境錯配。
- 對多個候選規則進行交叉驗證。
- 自動建立測試案例。
- 對每個知識節點標記來源與可信度。
- 將常識規則轉成 Agent 可調用 API。
這代表現代團隊不必重走 Cyc 的全人工路線。更合理的做法是：
AI 生成候選知識，人類審核高價值節點，形式系統負責約束，Agent 在使用中持續回饋。
這不是說自建常識層很容易，而是說它不再需要像 Cyc 當年那樣孤軍奮戰。
4\. Cyc 的真正可借鑑部分
Cyc 可借鑑的不是「完整複製它的資料」，而是以下幾個工程思想。
4.1 本體工程
Cyc 很重視概念之間的類型關係。例如某個東西是物理物體、抽象物、事件、角色、集合、實例、過程、行動、狀態或關係。
這對 LLM / Agent 極其重要。因為很多錯誤不是知識錯，而是類型錯。例如：
- 把公司當成自然人。
- 把產品名稱當成公司法人。
- 把文件中的條款當成已執行行動。
- 把故事角色當成現實人物。
- 把方法論當成可直接執行工具。
- 把假設當成定理。
- 把使用者偏好當成普遍規則。
因此，Cyc 的本體工程可以成為 TCF §0 原語與 MDAS vertex type 的參照。
4.2 Microtheory / 語境片段
Cyc 的 microtheory 思想非常重要。它意識到常識不能放在單一全域真理空間中。不同語境下，規則不同。
例如：
- 現實世界中，人死亡後不能親自簽約。
- 法律語境中，代理人可以代表他人簽署文件。
- 小說語境中，死者可能復活。
- 遊戲語境中，死亡可能只是狀態。
- 神話語境中，神明可能不受一般物理限制。
- 程式語境中，「樹」可能是資料結構，不是植物。
這正好可以改造成 EML 架構中的 Context Shard（語境片段）。
4.3 Default Reasoning / 預設推理
人類常識大量是「通常如此」，而不是「必然如此」。
例如：
- 鳥通常會飛，但企鵝不會。
- 人通常需要睡眠，但某些敘事設定可能例外。
- 公司通常透過代表人行動，但法人本身不是生物。
- 醫療建議通常需要個人條件，不能絕對化。
- 一般物體通常不能穿牆，但遊戲或科幻設定可能例外。
Cyc 嘗試形式化這類預設推理，但很困難。現代架構不應硬把所有 default 變成二值真偽，而應讓 default 進入三態或多態系統。
在 EML 架構中，可以這樣處理：
- 穩定常識：進入 Ξ / ⊤。
- 高例外常識：進入 Ω。
- 語境敏感常識：綁定 Context Shard。
- 高風險判斷：交給 ADL 強制判斷。
- 無法判斷：標記 Crash / 人工審核。
4.4 顯式可審計推理
Cyc 的另一個價值是可追蹤推理鏈。LLM 的知識壓在權重中，很難知道它到底為何下結論。Cyc-like 系統則可以要求：
- 你使用了哪個概念？
- 你依賴哪條規則？
- 你在哪個語境下判斷？
- 你有沒有例外條件？
- 你用了哪個來源？
- 這是原始資料，還是 LLM 擴寫？
- 這是公理、定理、假設、猜想，還是 heuristic？
這正好接上 TCF 的 provenance / attribution 層。
5\. EML 自有架構：TCF + MDAS + ADL + 三態邏輯
本文提出一個不依賴 Cyc 的自有架構。
5.1 TCF：理論壓縮與來源歸屬
TCF 負責把任意理論或知識系統轉為標準結構：
- §0 Primitives：核心原語。
- §1 Axioms：公理系統。
- §2 DAG：概念依賴圖。
- §3 Signature：形式語言簽章。
- §4 Theorems：可推出結論。
- §5 Proofs：推導鏈。
- §6 Models：模型與實例。
- §7 Metrics：壓縮度量。
- §8 Fingerprint：理論指紋。
- §9 Provenance：來源與歸屬。
在 Cyc-Optional 架構中，TCF 的作用是：
把常識知識從雜亂文本、圖譜資料、LLM 輸出或 Cyc-like 結構，轉成可機器解析、可版本控制、可追蹤來源的理論單元。
這裡最重要的是 provenance。若某個知識節點來自 OpenCyc、Wikidata、論文、企業文件、使用者輸入或 LLM 擴寫，必須清楚標記。否則常識層很快就會被污染。
5.2 MDAS：概念態空間與因果超圖
MDAS-TCH 負責把知識變成動態超圖。
在這裡：
- 概念是 vertex。
- 關係是 edge。
- 多概念不可分結構是 hyperedge。
- 語境是 context shard。
- 規則是可傳播約束。
- 例外是局部覆寫。
- 矛盾是態變化。
- 認知透明度是 Ψ / Δ / Ξ / Θ。
- 糾纏程度是超邊強度。
- 知識積累是 Σ。
- 維度生成能力是 Γ。
- 認知勢壘是 B。
這讓常識層不再是靜態資料庫，而是一個可觀察、可演化、可診斷的概念場。
5.3 ADL：Agent 行動時的強制判斷
當 AI 只是寫文章時，未定狀態可以保留。 但當 Agent 要行動時，不能永遠保持曖昧。
例如：
- 要不要發送這封 Email？
- 要不要刪除這個檔案？
- 要不要排一個過去時間的會議？
- 要不要執行這段程式？
- 要不要把某段話當作醫療建議？
- 要不要將某個人加入收件人？
這時候需要 ADL 的強制判斷。
ADL 在此不是形上學裝飾，而是 Agent 執行層的安全機制：
{ "claim": "The user wants to schedule a meeting yesterday.", "context": "calendar\_agent", "forced\_judgment": "invalid\_or\_requires\_correction", "reason": "The requested time is in the past." }
ADL 的任務是：當系統必須行動時，把模糊狀態壓縮成可執行判斷，或者明確輸出系統不可判斷。
5.4 三態邏輯：保留未定與螺旋態
ADL 負責行動時強制判斷，但不是所有問題都應被強制二值化。
很多理論、創造、探索、研究與概念演化，都處於 Ω 螺旋態。
例如：
- 一個尚未完成的新理論。
- 一個正在相變的研究方向。
- 一個可能成立但尚未形式化的架構。
- 一個在不同語境下有不同答案的命題。
- 一個需要更多資料才能判斷的問題。
- 一個正在從直覺變成形式理論的概念。
若把這些狀態硬判為真或假，會破壞創造力。 若把它們全部視為崩潰，也會錯失演化過程。
因此，三態邏輯負責保留：
- 真：穩定成立。
- 假：穩定不成立。
- Ω：正在演化、尚未穩定、不可立即閉合。
這對常識層很重要，因為常識不是死規則，而是可演化結構。
6\. Cyc-Optional Knowledge Layer 的資料模型
一個 AI-native 常識節點可表示如下：
{ "id": "eml:commonsense:HumanPerson", "label": { "zh": "人類個體", "en": "Human Person" }, "tcf": { "section": "§0", "role": "primitive", "kind": "type" }, "mdas": { "logical\_state": "top", "cognitive\_state": "transparent", "evolution\_state": "stable", "entanglement\_state": "conditional", "type\_vector": { "logical\_type": "concept", "cognitive\_type": "explicit\_knowledge", "solvability\_type": "ordinary", "paradigm\_layer": "commonsense" } }, "relations": \[ { "predicate": "isA", "object": "BiologicalEntity", "context": "ordinary\_physical\_world", "confidence": 0.98 }, { "predicate": "canPerform", "object": "LegalAction", "context": "ordinary\_legal\_context", "condition": "alive\_and\_legally\_competent", "confidence": 0.85 } \], "defaults": \[ { "rule": "A human person is usually alive during ordinary personal action.", "state": "default\_true", "exceptions": \[ "fictional\_context", "legal\_representation", "posthumous\_processing" \] } \], "adl": { "forced\_judgment\_required\_when": \[ "legal\_action", "medical\_action", "financial\_action", "agent\_execution" \] }, "triadic": { "unresolved\_state\_policy": "omega\_until\_context\_fixed" }, "provenance": { "source\_type": "self\_built\_or\_public\_ontology", "source": "manual + LLM distilled + public references", "review\_status": "needs\_expert\_review" } }
此資料模型的重點是：同一個知識節點同時服務多層系統。
- TCF 看它是理論單元。
- MDAS 看它是超圖節點。
- ADL 看它何時需要強制判斷。
- 三態邏輯看它是否允許 Ω 狀態。
- Agent 看它能否用於行動前檢查。
- 人類看 Markdown card。
- 系統看 JSON / JSON-LD / Graph / Vector。
7\. Markdown Knowledge Card 範例
\# Human Person
\## 基本定義 人類個體是一種生物性、社會性、法律語境中可被視為行動主體的存在。
\## 類型 \- BiologicalEntity \- SocialAgent \- LegalSubject（在特定法律語境中） \- CognitiveAgent（在一般認知語境中）
\## 常識規則 \- 人類個體通常有出生與死亡時間。 \- 人類個體死亡後，通常不能親自執行新的物理行動。 \- 人類個體可以透過代理人、遺囑、法人制度或法律程序產生後續法律效果。 \- 在虛構、神話、遊戲或模擬語境中，此規則可被覆寫。
\## 語境片段 \- ordinary\_physical\_world \- ordinary\_legal\_context \- fictional\_context \- game\_context \- mythological\_context
\## ADL 強制判斷觸發 當 Agent 需要執行法律、金融、醫療、通訊或檔案操作時，若此概念涉及使用者、第三方或權限，必須啟動強制判斷。
\## 三態保留 若語境不明，先標記為 Ω，不直接判定真偽。
\## 來源 \- EML 自建常識層 \- 可選：OpenCyc-like ontology \- 可選：Wikidata / WordNet / DBpedia \- 可選：專家審核
8\. 路線圖
Phase 1：自建最小常識層
不需要先買 Cyc，也不需要先做全世界常識。
先從 Agent 最常出錯的類別開始：
- 時間。
- 人物。
- 組織。
- 法人。
- 文件。
- 權限。
- Email。
- 日曆。
- 檔案。
- 醫療高風險。
- 法律高風險。
- 金融高風險。
- 虛構世界語境。
- 程式開發需求矛盾。
目標不是完整，而是先能攔截高頻錯誤。
Phase 2：TCF 標準化
將每個常識模組轉成 TCF：
- 核心概念 → §0。
- 常識規則 → §1。
- 關係依賴 → §2。
- 可推出結論 → §4。
- 推理路徑 → §5。
- 使用場景 → §6。
- 來源歸屬 → §9。
這會讓常識層具備版本控制與理論指紋。
Phase 3：MDAS 超圖化
將 TCF 知識轉成 MDAS-TCH：
- 每個概念是 vertex。
- 每條關係是 edge。
- 每組不可分語境是 hyperedge。
- 每個節點都有認知態、演化態、糾纏態。
- 每個裁判器都能讀取圖結構。
這一步是從「知識庫」變成「動態認知圖」。
Phase 4：建立平行裁判器
裁判器分為多類：
- 類型裁判器。
- 語境裁判器。
- 時間裁判器。
- 權限裁判器。
- 常識裁判器。
- 來源裁判器。
- 高風險領域裁判器。
- 行動前檢查器。
- 虛構語境裁判器。
- 理論一致性裁判器。
每個裁判器不一定給出唯一答案，而是輸出：
- 成立。
- 不成立。
- 語境不足。
- 需要人工確認。
- Ω 未定。
- ADL 強制判斷失敗。
- Crash。
Phase 5：接入 LLM / Agent
當 LLM 生成答案或 Agent 要執行行動時，系統呼叫常識層：
{ "agent\_action": "send\_email", "claim": "Send this medical instruction to all customers.", "context": "email\_agent", "risk\_level": "high" }
常識層回傳：
{ "verdict": "blocked\_or\_requires\_review", "reasons": \[ "medical advice cannot be generalized to all customers", "recipient group is too broad", "requires human review" \], "state": "ADL\_forced\_rejection" }
Phase 6：Cyc / OpenCyc 作為可選加速器
若未來資源允許，可以把 Cyc 放進以下位置：
- 作為本體參考。
- 作為常識資料源。
- 作為 microtheory 設計參照。
- 作為 benchmark。
- 作為歷史對照組。
- 作為授權資料庫。
- 作為合作對象。
- 作為收購或投資候選。
但即使沒有 Cyc，架構仍然成立。
這就是 Cyc-Optional 的核心。
9\. 商業與研究意義
這條路線對小型 AI 公司或研究團隊有特殊意義。
大公司競爭的是模型本體、算力、資料與產品入口。小團隊很難正面訓練下一代超大模型。但小團隊可以做模型外部的智慧層：
- Agent 常識層。
- 企業知識憲法。
- AI 行動前裁判器。
- 高風險領域檢查器。
- 理論壓縮與知識治理工具。
- AI-native Markdown / JSON-LD 知識標準。
- 個人或組織專用的可審計知識庫。
- 多模型共用的外部常識 API。
這種產品不需要取代 GPT、Gemini、Claude 或其他模型。它只需要成為它們外部的結構性補丁。
因此，Cyc-Optional 路線的商業定位不是：
我們要做另一個 LLM。
而是：
我們要做 LLM / Agent 的外部常識作業系統。
10\. 與 Cyc 的關係表
問題
Cyc 路線
Cyc-Optional 路線
主體智能
符號常識系統承擔大量智能功能
LLM / Agent 作為神經主體
知識來源
人工編碼為主
LLM 抽取 + 公開資料 + 人工審核
語境管理
Microtheory
Context Shard + MDAS 態標記
推理方式
符號推理為核心
平行裁判 + 神經重寫 + 局部形式化
資料格式
專用表示
MD / JSON-LD / RDF / Graph / Vector / TCF
未定狀態
default / exception / unknown
Ω 螺旋態 + ADL 強制判斷
可審計性
強
透過 TCF provenance 強化
擴展方式
知識工程
AI 輔助蒸餾 + 人類治理
對 Cyc 依賴
必須使用 Cyc 本體
可使用，也可完全不用
11\. 最小可行系統
一個最小可行系統不需要宏大到包含全部常識。它只需要做三件事：
- 把常見概念做成 Knowledge Card。
- 對 Agent 行動做常識檢查。
- 對檢查結果提供結構化回饋。
最小架構：
User / Agent Request ↓ LLM Semantic Parser ↓ TCF Knowledge Card Retrieval ↓ MDAS Context + Type Graph ↓ Parallel Judges ↓ ADL Forced Judgment if Action Required ↓ Triadic Ω if Unresolved ↓ LLM Rewrite / Block / Ask / Execute
這個架構的價值不是一次做到全知，而是每次比裸 LLM 多一層結構性防線。
12\. 理論定位
Cyc-Optional 路線的理論定位如下：
它不是舊式符號 AI。 它不是純 RAG。 它不是普通知識圖譜。 它不是聊天記憶。 它不是 LLM 自我反思 prompt。 它是一個外部化、格式化、可審計、可演化的 Agent 常識憲法層。
更精確地說：
- RAG 解決「查什麼」。
- Knowledge Graph 解決「誰和誰有關」。
- Memory 解決「使用者以前說過什麼」。
- TCF 解決「這個理論如何標準化與追蹤來源」。
- MDAS 解決「概念如何處於動態態空間」。
- ADL 解決「必須行動時如何強制判斷」。
- 三態邏輯解決「未定與演化狀態如何不被錯殺」。
- Cyc-Optional Knowledge Layer 解決「Agent 如何在世界常識中行動」。
13\. 結論：Cyc 是可選捷徑，不是終極答案
Cyc 很可惜，也很珍貴。它提前指出了 AI 需要常識、本體、語境與可審計推理。但它不應被神化，也不應被視為唯一道路。
在今天，真正可行的路線不是回到 Cyc，而是建立一個新的 AI-native 常識層：
用 LLM 生成與理解。 用 TCF 壓縮與歸屬。 用 MDAS 圖化與狀態化。 用 ADL 做行動時強制判斷。 用三態邏輯保留 Ω 未定與螺旋演化。 用 Agent OS 接入實際工作流。 用人類審核高價值與高風險節點。 用 Cyc 作為可選加速器，而不是必要依賴。
這條路線的意義在於：即使沒有資金購買 Cyc，即使沒有大型公司的模型訓練能力，也可以先從格式、知識卡、裁判器、語境層與 Agent API 開始。
Cyc 的精神不是「建立一座封閉的常識城堡」。
它真正該被繼承的是：
讓 AI 擁有可檢查、可追蹤、可修正、可演化的世界常識。
而這件事，不必等待任何公司授權。
可以自己開始。
附錄 A：一句話版
Cyc 可以參考、合作或購買，但不是必要條件；真正關鍵是用 TCF、MDAS、ADL 與三態邏輯建立一套自有的 AI-native 常識憲法層，使 LLM / Agent 在行動前能進行語境、類型、常識、來源與風險裁判。
附錄 B：公開倡議版
如果你正在研究 LLM、Agent、AI 安全、知識圖譜、RAG、語義網或企業 AI，不要只問「要不要復活 Cyc」。更好的問題是：如何把 Cyc 當年的問題意識轉譯成今天的 AI-native 系統？
我們可以不買 Cyc，也可以不依賴 Cyc。 但我們不能假裝 AI 不需要常識層。
下一代 Agent 需要的不是更長的 prompt，而是一個可審計、可版本化、可行動前檢查的外部常識憲法。
這就是 Cyc-Optional 路線。